minions-ai-agents/.gemini/TODO_Arthur.md

TODO - Projeto Arthur (Agente de Suporte Técnico N2)

Este documento serve como o roteiro técnico detalhado para a implementação do Agente Arthur. O foco é soberania (local-only), otimização de CPU e integração auditável via e-mail.

Fase 1: Planejamento e Arquitetura de Dados

• Consolidação do PRD N2: Definição de escopo, hardware e lógica de atendimento.
• Mapeamento do Tenant Resolver (Financeiro):
  • Definir endpoints/queries no Sistema Financeiro de Produção para buscar: ID, Nome, Domínios de E-mail e Status.
  • Criar esquema Pydantic para o objeto TenantContext.
• Design do Schema de Auditoria:
  • Criar modelo de banco de dados (PostgreSQL) para registrar: TicketID, Remetente, Contexto Coletado, Pensamento do Modelo, Resposta Enviada e Status de Resolução.

Fase 2: Infraestrutura e Conectores Core (Músculos)

• Ambiente de Inferência Local:
  • Configurar Ollama ou llama.cpp para rodar Llama 3.2 1B (Triagem) e Llama 3.1 8B (Especialista) em CPU.
  • Otimizar threads (Xeon v3) para evitar contenção.
• Configuração do Qdrant Multitenant:
  • Inicializar Qdrant com persistência on_disk: true.
  • Definir coleção com suporte a payload filtering por customer_id.
• Módulo de Comunicação (Mail Client):
  • Implementar MailListener (IMAP) para mail.itguys.com.br.
  • Implementar MailResponder (SMTP) com suporte a threads de e-mail (Headers Message-ID/References).
• Conector Zabbix API:
  • Implementar wrapper usando zabbix_utils.
  • Criar funções específicas: get_host_status, get_active_problems, get_neighbor_alerts (Causa Raiz).

Fase 3: Orquestração e Raciocínio (Cérebro)

• Desenvolvimento do Multi-Agent Dispatcher:
  • Criar o orquestrador (LangGraph) que gerencia o estado do chamado.
• Implementação do Agente de Triagem (1B):
  • Prompt Engineering para extração de entidades (Cliente, Tecnologia, Problema).
  • Lógica de decisão de ferramentas (Single Dispatcher).
• Desenvolvimento do Analista de Causa Raiz:
  • Código Python para comparar alertas do host atual com alertas de sub-rede/vizinhança no Zabbix.
• Implementação do Agente Especialista (8B):
  • Prompt de Resolução N2: Recebe o "Contexto Enriquecido" (Zabbix + Histórico 24h + Manuais RAG) e gera a resposta técnica final.

Fase 4: Flywheel e Qualidade (Aprendizado)

• Pipeline de Ingestão de RAG:
  • Criar script para processar diretórios de Markdowns/PDFs técnicos e indexar no Qdrant com metadados de tecnologia.
• Parser de Feedback de Encerramento:
  • Desenvolver lógica para ler respostas de e-mail dos técnicos e identificar se o caso foi "Resolvido" ou "Reaberto".
• Módulo de Memória Episódica:
  • Lógica para salvar casos resolvidos como "Lições Aprendidas" para futuras consultas similares.

Fase 5: Implantação e Monitoramento

• Configuração do Langfuse Local:
  • Subir Langfuse via Docker para rastreamento (tracing) de todos os chamados.
• Teste de Stress e Latência:
  • Validar tempo de resposta com 5+ chamados simultâneos (Contenção de CPU Xeon).
• Homologação com Sistema Financeiro:
  • Validar a busca dinâmica de clientes em tempo real.

---

Diretrizes para Agentes de Execução:

1. CPU Only: Nunca tente usar bibliotecas que exijam CUDA/GPU sem autorização expressa.
2. Auditabilidade: Toda decisão do Arthur deve gerar um log no PostgreSQL.
3. Isolamento: Garanta que os dados da ENSEG nunca vazem para um diagnóstico da OESTEPAN via filtros de Payload no Qdrant.